更新时间：2023-08-10 16:58:41
封面
版权信息
作者简介
内容简介
前言Preface
第1篇 深度学习基础篇
第1章 PyTorch简介与安装
1.1 PyTorch简介
1.2 PyTorch的主要应用
1.3 PyTorch安装
1.4 本章小结
第2章 机器学习基础与线性回归
2.1 机器学习基础
2.2 线性回归
2.3 本章小结
第3章 张量与数据类型
3.1 PyTorch张量
3.2 张量运算
3.3 张量的自动微分
3.4 本章小结
第4章 分类问题与多层感知器
4.1 torchvision库
4.2 加载内置图片数据集
4.3 多层感知器
4.4 激活函数
4.5 本章小结
第5章 多层感知器模型与模型训练
5.1 多层感知器模型
5.2 损失函数
5.3 优化器
5.4 初始化模型
5.5 编写训练循环
5.6 本章小结
第6章 梯度下降法、反向传播算法与内置优化器
6.1 梯度下降法
6.2 反向传播算法
6.3 PyTorch内置的优化器
6.4 本章小结
第2篇 计算机视觉篇
第7章 计算机视觉与卷积神经网络
7.1 什么是卷积神经网络
7.2 池化层
7.3 卷积神经网络的整体架构
7.4 本章小结
第8章 卷积入门实例
8.1 数据输入
8.2 创建卷积模型并训练
8.3 函数式API
8.4 超参数选择
8.5 本章小结
第9章 图像读取与模型保存
9.1 加载图片数据集
9.2 创建图片分类模型
9.3 模型保存
9.4 本章小结
第10章 多分类问题与卷积模型的优化
10.1 创建自定义Dataset类
10.2 基础卷积模型
10.3 Dropout抑制过拟合
10.4 批标准化
10.5 学习速率衰减
10.6 本章小结
第11章 迁移学习与数据增强
11.1 什么是迁移学习
11.2 数据增强
11.3 微调
11.4 本章小结
第12章 经典网络模型与特征提取
12.1 VGG
12.2 ResNet
12.3 TensorBoard可视化
12.4 ResNetBasicBlock结构
12.5 Inception
12.6 DenseNet
12.7 DenseNet预训练模型提取特征
12.8 本章小结
第13章 图像定位基础
13.1 简单图像定位模型
13.2 数据集观察
13.3 创建模型输入
13.4 创建图像定位模型
13.5 模型保存与测试
13.6 本章小结
第14章 图像语义分割
14.1 常见图像处理任务
14.2 图像语义分割
14.3 U-Net语义分割模型
14.4 创建输入dataset
14.5 反卷积
14.6 U-Net模型代码实现
14.7 模型训练
14.8 模型的保存和预测
14.9 本章小结
第3篇 自然语言处理和序列篇
第15章 文本分类与词嵌入
15.1 文本的数值表示
15.2 torchtext加载内置文本数据集
15.3 创建DataLoader和文本分类模型
15.4 本章小结
第16章 循环神经网络与一维卷积神经网络
